論文の概要: ORGANA: A Robotic Assistant for Automated Chemistry Experimentation and Characterization

• arxiv url: http://arxiv.org/abs/2401.06949v1
• Date: Sat, 13 Jan 2024 02:03:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 20:29:49.120517
• Title: ORGANA: A Robotic Assistant for Automated Chemistry Experimentation and Characterization
• Title（参考訳）: ORGANA: 自動化学実験と評価のためのロボットアシスタント
• Authors: Kourosh Darvish, Marta Skreta, Yuchi Zhao, Naruki Yoshikawa, Sagnik Som, Miroslav Bogdanovic, Yang Cao, Han Hao, Haoping Xu, Al\'an Aspuru-Guzik, Animesh Garg, Florian Shkurti
• Abstract要約: 化学実験は、しばしば資源と労働集約である。 従来のラボ自動化インフラは、新しい化学実験に柔軟に適応する上で、課題に直面している。 我々は,多様な化学実験を自動化した人間フレンドリで柔軟なロボットシステムORGANAを提案する。
• 参考スコア（独自算出の注目度）: 37.268889558686396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chemistry experimentation is often resource- and labor-intensive. Despite the many benefits incurred by the integration of advanced and special-purpose lab equipment, many aspects of experimentation are still manually conducted by chemists, for example, polishing an electrode in electrochemistry experiments. Traditional lab automation infrastructure faces challenges when it comes to flexibly adapting to new chemistry experiments. To address this issue, we propose a human-friendly and flexible robotic system, ORGANA, that automates a diverse set of chemistry experiments. It is capable of interacting with chemists in the lab through natural language, using Large Language Models (LLMs). ORGANA keeps scientists informed by providing timely reports that incorporate statistical analyses. Additionally, it actively engages with users when necessary for disambiguation or troubleshooting. ORGANA can reason over user input to derive experiment goals, and plan long sequences of both high-level tasks and low-level robot actions while using feedback from the visual perception of the environment. It also supports scheduling and parallel execution for experiments that require resource allocation and coordination between multiple robots and experiment stations. We show that ORGANA successfully conducts a diverse set of chemistry experiments, including solubility assessment, pH measurement, recrystallization, and electrochemistry experiments. For the latter, we show that ORGANA robustly executes a long-horizon plan, comprising 19 steps executed in parallel, to characterize the electrochemical properties of quinone derivatives, a class of molecules used in rechargeable flow batteries. Our user study indicates that ORGANA significantly improves many aspects of user experience while reducing their physical workload. More details about ORGANA can be found at https://ac-rad.github.io/organa/.
• Abstract（参考訳）: 化学実験はしばしば資源と労働集約である。 先進的な実験装置と特殊目的の実験装置の統合によって得られる多くの利点にもかかわらず、実験の多くの側面は化学者が手動で行う。 従来のラボ自動化インフラストラクチャは、新しい化学実験に柔軟に対応しようとすると、課題に直面している。 この問題に対処するため、我々は、多様な化学実験を自動化する人間フレンドリーで柔軟なロボットシステムORGANAを提案する。 これは、Large Language Models (LLMs)を使用して、自然言語を介して研究室の化学者と対話することができる。 ORGANAは、統計分析を取り入れたタイムリーなレポートを提供することで、科学者に情報を提供する。 さらに、曖昧さやトラブルシューティングが必要な場合には、ユーザと積極的に連携する。 organaは、ユーザの入力を推論して実験目標を導出し、環境の視覚知覚からのフィードバックを使いながら、ハイレベルタスクと低レベルロボットアクションの両方の長いシーケンスを計画できる。 また、複数のロボットと実験ステーション間のリソース割り当てと調整を必要とする実験のスケジューリングと並列実行もサポートする。 ORGANAは溶解度評価,pH測定,再結晶,電気化学実験など,様々な化学実験の実施に成功した。 後者の場合, ORGANAは, キノン誘導体の電気化学的特性を特徴付けるために, 並列に実行される19個のステップからなる長い水平計画を実行している。 ユーザ調査の結果, organaは作業負荷を低減しつつ,ユーザエクスペリエンスの多くの面を著しく改善していることがわかった。 ORGANAの詳細はhttps://ac-rad.github.io/organa/.com/で確認できる。

関連論文リスト

• A Review of Large Language Models and Autonomous Agents in Chemistry [0.7184549921674758]
  大規模言語モデル(LLM)は化学において強力なツールとして登場した。 このレビューでは、化学におけるLCMの機能と、自動化による科学的発見を加速する可能性を強調している。 エージェントは新たなトピックであるので、化学以外のエージェントのレビューの範囲を広げます。
  論文  参考訳（メタデータ） (2024-06-26T17:33:21Z)
• An Autonomous Large Language Model Agent for Chemical Literature Data Mining [60.85177362167166]
  本稿では,幅広い化学文献から高忠実度抽出が可能なエンドツーエンドAIエージェントフレームワークを提案する。 本フレームワークの有効性は,反応条件データの精度,リコール,F1スコアを用いて評価する。
  論文  参考訳（メタデータ） (2024-02-20T13:21:46Z)
• Chemist-X: Large Language Model-empowered Agent for Reaction Condition Recommendation in Chemical Synthesis [57.70772230913099]
  Chemist-Xは、検索増強生成(RAG)技術を用いた化学合成において、反応条件レコメンデーション(RCR)タスクを自動化する。 Chemist-Xはオンラインの分子データベースを尋問し、最新の文献データベースから重要なデータを蒸留する。 Chemist-Xは化学者の作業量を大幅に減らし、より根本的で創造的な問題に集中できるようにする。
  論文  参考訳（メタデータ） (2023-11-16T01:21:33Z)
• ChemCrow: Augmenting large-language models with chemistry tools [0.9195187117013247]
  大規模言語モデル(LLM)は、領域全体にわたるタスクにおいて高いパフォーマンスを示してきたが、化学に関連した問題に悩まされている。 本研究では, 有機合成, 創薬, 材料設計における課題を遂行するLLM化学剤であるChemCrowを紹介する。 我々のエージェントは、昆虫の忌避剤である3種の有機触媒の合成を自律的に計画し、実行し、新しいクロモフォアの発見を導いた。
  論文  参考訳（メタデータ） (2023-04-11T17:41:13Z)
• ChemVise: Maximizing Out-of-Distribution Chemical Detection with the Novel Application of Zero-Shot Learning [60.02503434201552]
  本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。 合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
  論文  参考訳（メタデータ） (2023-02-09T20:19:57Z)
• Accelerating Laboratory Automation Through Robot Skill Learning For Sample Scraping [4.969887562291159]
  自律的な実験にラボロボティクスを使うことは、科学者を退屈な作業から救い出す魅力的な道のりを提供する。 一部の実験では、既に自動化の恩恵を受けることができるが、サンプルの準備はまだ手作業で行われている。 完全自律型サンプリングスクレイピング手法を実現するため,スクレイピングポリシーを学習するためのモデルフリー強化学習法を提案する。
  論文  参考訳（メタデータ） (2022-09-29T15:40:12Z)
• SOLIS: Autonomous Solubility Screening using Deep Neural Networks [0.36700088931938835]
  サンプル準備は手作業で行うのが一般的である。 結晶化実験は多くの化学分野において、精製とポリモルフィックスクリーニング実験の両方で一般的である。 本研究では, 人間の化学者が試料を視覚的に評価し, 溶液中に固形物が完全に溶解したかどうかを判断する手法に着想を得た, 新規なカスケード深部モデルを提案する。
  論文  参考訳（メタデータ） (2022-03-18T09:38:23Z)
• Federated Learning of Molecular Properties in a Heterogeneous Setting [79.00211946597845]
  これらの課題に対処するために、フェデレーションヘテロジニアス分子学習を導入する。 フェデレートラーニングにより、エンドユーザは、独立したクライアント上に分散されたトレーニングデータを保存しながら、グローバルモデルを協調的に構築できる。 FedChemは、化学におけるAI改善のための新しいタイプのコラボレーションを可能にする必要がある。
  論文  参考訳（メタデータ） (2021-09-15T12:49:13Z)
• Neural networks for Anatomical Therapeutic Chemical (ATC) [83.73971067918333]
  両方向の長期記憶ネットワーク(BiLSTM)から抽出された集合を含む、特徴の異なるセットで訓練された複数の複数ラベル分類器を組み合わせることを提案する。 実験はこのアプローチのパワーを実証し、文献で報告された最良の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-01-22T19:49:47Z)
• Autonomous Materials Discovery Driven by Gaussian Process Regression with Inhomogeneous Measurement Noise and Anisotropic Kernels [1.976226676686868]
  実験分野の大半は、新しい科学的発見を探すために、大規模で高次元のパラメータ空間を探索するという課題に直面している。 近年の進歩により、探査プロセスの自動化が進み、材料発見の効率が向上した。 ガンマプロセス回帰(GPR)技術は多くの種類の実験を操る方法として登場した。
  論文  参考訳（メタデータ） (2020-06-03T19:18:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。